دانلود کتاب Practical Deep Learning: A Python-Based Introduction (به فارسی: یادگیری عمیق عملی: مقدمه ای مبتنی بر پایتون) نوشته شده توسط «Ronald T. Kneusel [Ron Kneusel]»
اطلاعات کتاب یادگیری عمیق عملی: مقدمه ای مبتنی بر پایتون
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: No Starch Press
نویسنده: Ronald T. Kneusel [Ron Kneusel]
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 464
حجم فایل: 13.59 مگابایت
کد کتاب: 1718500742 , 9781718500747
نوبت چاپ: 1
توضیحات کتاب یادگیری عمیق عملی: مقدمه ای مبتنی بر پایتون
یادگیری عمیق عملی به افراد مبتدی می آموزد که چگونه مجموعه داده ها و مدل های مورد نیاز برای آموزش شبکه های عصبی برای پروژه های DL خود را بسازند.
اگر در مورد یادگیری ماشین کنجکاو بودید اما نمی دانستید از کجا شروع کنید، این کتابی است که منتظرش بودید. با تمرکز بر حوزه فرعی یادگیری ماشینی معروف به یادگیری عمیق، مفاهیم اصلی را توضیح می دهد و پایه و اساس لازم برای شروع ساخت مدل های خود را در اختیار شما قرار می دهد. بهجای تشریح دستور العملهایی برای استفاده از جعبهابزارهای موجود، یادگیری عمیق عملی به شما دلیل یادگیری عمیق را میآموزد و به شما انگیزه میدهد تا بیشتر کاوش کنید.
تنها چیزی که نیاز دارید آشنایی اولیه با برنامه نویسی کامپیوتر و ریاضی دبیرستان است—کتاب بقیه موارد را پوشش خواهد داد. پس از مقدمهای بر پایتون، موضوعات کلیدی مانند نحوه ایجاد یک مجموعه داده آموزشی خوب، کار با کتابخانههای scikit-learn و Keras و ارزیابی عملکرد مدلهای خود را مرور خواهید کرد.
همچنین یاد خواهید گرفت:
• نحوه استفاده از مدلهای یادگیری ماشین کلاسیک مانند k-نزدیکترین همسایگان، جنگلهای تصادفی، و ماشینهای بردار پشتیبان
• شبکه های عصبی چگونه کار می کنند و چگونه آموزش داده می شوند
• نحوه استفاده از شبکه های عصبی کانولوشن
• نحوه ایجاد یک مدل یادگیری عمیق موفق از ابتدا
شما در طول مسیر آزمایشاتی را انجام خواهید داد و به مطالعه موردی نهایی خواهید رسید که همه چیزهایی را که آموخته اید در بر می گیرد.
مقدمه ای عالی برای این زمینه پویا و همیشه در حال گسترش، یادگیری عمیق عملی به شما مهارت ها و اعتماد به نفس برای شیرجه رفتن در پروژه های یادگیری ماشینی خود را می دهد.
مطالب مختصر
مطالب در جزئیات
پیشگفتار
قدردانی
مقدمه
فصل 1: شروع به کار
فصل 2: استفاده از Python
فصل 3: استفاده از NumPy
فصل 4: کار با داده
فصل 5: ساخت مجموعه داده ها
فصل 6: یادگیری ماشین کلاسیک
فصل 7: آزمایش با مدل های کلاسیک
فصل 8: مقدمه ای بر شبکه های عصبی
فصل 9: آموزش شبکه عصبی
فصل 10: آزمایشات با شبکه های عصبی
فصل 11: ارزیابی مدل ها
فصل 12: مقدمه ای بر شبکه های عصبی کانولوشن
فصل 13: آزمایش با Keras و MNIST
فصل 14: آزمایشات با CIFAR-10
فصل 15: مطالعه موردی: طبقه بندی نمونه های صوتی
فصل 16: جلوتر رفتن
فهرست
Practical Deep Learning teaches total beginners how to build the datasets and models needed to train neural networks for your own DL projects.
If you’ve been curious about machine learning but didn’t know where to start, this is the book you’ve been waiting for. Focusing on the subfield of machine learning known as deep learning, it explains core concepts and gives you the foundation you need to start building your own models. Rather than simply outlining recipes for using existing toolkits, Practical Deep Learning teaches you the why of deep learning and will inspire you to explore further.
All you need is basic familiarity with computer programming and high school math—the book will cover the rest. After an introduction to Python, you’ll move through key topics like how to build a good training dataset, work with the scikit-learn and Keras libraries, and evaluate your models’ performance.
You’ll also learn:
• How to use classic machine learning models like k-Nearest Neighbors, Random Forests, and Support Vector Machines
• How neural networks work and how they’re trained
• How to use convolutional neural networks
• How to develop a successful deep learning model from scratch
You’ll conduct experiments along the way, building to a final case study that incorporates everything you’ve learned.
The perfect introduction to this dynamic, ever-expanding field, Practical Deep Learning will give you the skills and confidence to dive into your own machine learning projects.
Brief Contents
Contents in Detail
Foreword
Acknowledgments
Introduction
Chapter 1: Getting Started
Chapter 2: Using Python
Chapter 3: Using NumPy
Chapter 4: Working with Data
Chapter 5: Building Datasets
Chapter 6: Classical Machine Learning
Chapter 7: Experiments with Classical Models
Chapter 8: Introduction to Neural Networks
Chapter 9: Training a Neural Network
Chapter 10: Experiments with Neural Networks
Chapter 11: Evaluating Models
Chapter 12: Introduction to Convolutional Neural Networks
Chapter 13: Experiments with Keras and MNIST
Chapter 14: Experiments with CIFAR-10
Chapter 15: A Case Study: Classifying Audio Samples
Chapter 16: Going Further
Index
دانلود کتاب «یادگیری عمیق عملی: مقدمه ای مبتنی بر پایتون»
📖 خرید این کتاب
برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمههای زیر کلیک کنید تا پیام آماده برای شما ارسال شود:
پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.